4 Neuronale Netze als Instrument der Prognose (S. 159-160)

In Kapitel 4 werden die Prognoseverfahren der künstlichen Neuronalen Netze (NN) als Klasse ämathematisch-statistischer Verfahren vorgestellt. In den Hauptgliederungspunkten werden zu diesem Zweck die methodischen Grundlagen und die Prinzipien der Informationsverarbeitung in den Phasen der Modellbildung, der Parametrisierung und der Anwendung analysiert.

Die Modellierung von NN bietet erhebliche Freiheitsgrade in der mathematischen Formulierung der Signalverarbeitung in einzelnen Neuronen, der Informationsverarbeitung in Netzwerken von Neuronen und der Parametrisierung durch Lernverfahren. Daher werden diese zunächst eingehend und losgelöst vom Anwendungsbezug der Prognose untersucht, um die Funktion und Bedeutung der Zielfunktionen im Training von NN herauszustellen.

Die systematische Analyse der NN, ihrer historischen Entwicklung, ihres biologischen Vorbildes und ihrer technischen Realisierung verdeutlicht die Unabhängigkeit der Zielfunktionen im Training von NN von der Zielsetzung, der Architektur und den Lernverfahren. Dies erlaubt nachfolgend eine Erweiterung der Theorie von NN auf alternative Zielfunktionen hinsichtlich betrieblicher Kosten und somit auf die simultane Prognose und Disposition durch NN. In einem zweiten Schritt wird die Analyse auf die Anwendung von NN zur betrieblichen Absatzprognose konzentriert.

Zunächst wird dazu die theoretische Eignung von NN zur Approximation, Generalisierung und Vorhersage aus Zeitreihen von verrauschten Daten untersucht. Die Vielzahl von Anwendungen von NN zur Prognose erfordert eine strukturierte Literaturanalyse zur Beschränkung auf relevante Anwendungen der Regression und Absatzprognose. Abschließend werden typische Architekturen von NN zur Absatzprognose diskutiert und die Informationsverarbeitung von Neuronen und Netzwerken von Neuronen im Vergleich zu statistischen Prognoseverfahren erörtert.

4.1 Methodische Grundlagen von Neuronalen Netzen

4.1.1 Definition und Abgrenzung

„A neural network is a system composed of many simple processing elements operating in parallel whose function is determined by networks structure, connection strengths, and the processing performed at computing elements or nodes. … Neural network architectures are inspired by the architecture of biological nervous systems, which use many simple processing elements operating in parallel to obtain high computation rates” [DARPA 1989, S. 60].

Der allgemeine Begriff der Neuronalen Netze bezeichnet somit kein Prognoseverfahren, sondern vielmehr ein interdisziplinäres Forschungsgebiet von Systemen, Theorien, Modellen und Verfahren hinsichtlich biologischer Neuronen und Neuronenverbände. „The field of neural networks is now being investigated by … biologists, psychologists, cognitive scientists, computer scientists, mathematicians, engineers, physicists, philosophers, psychiatrists and psychotherapists, and social scientists” [Levine 2000, S. xi].